Google DeepMind lanza Gemini Robotics 2.5 y cifra en un 96 % el éxito en una prueba en una fábrica de Mercedes-Benz
Google DeepMind ha presentado Gemini Robotics 2.5, un modelo de visión, lenguaje y acción (VLA) que convierte las imágenes de cámara y las instrucciones habladas o escritas en movimientos de robot. La compañía afirma que un robot humanoide que lo ejecuta alcanzó una tasa de éxito del 96 % en una prueba piloto en líneas de producción de Mercedes-Benz en funcionamiento.
DeepMind dice que evaluó el modelo en más de 200 tareas, entre ellas servir comida con pinzas y pipetear líquidos. Frente a las referencias anteriores de la propia compañía, indica tasas de éxito entre un 30 y un 100 % superiores, según el tipo de tarea, y tiempos de finalización entre un 20 y un 30 % más cortos. Ars Technica informó de que el humanoide Apollo 2 de Apptronik, con el nuevo modelo, también puede atar un lazo, una tarea difícil para los robots porque la cinta es deformable.
Prueba en las líneas de producción de Mercedes-Benz
DeepMind trabajó con Apptronik y Mercedes-Benz en la prueba, que se desarrolló en Kecskemét (Hungría) y Sindelfingen (Alemania), según The Decoder. Apollo 2 se encargó de la preparación de kits: recogía componentes metálicos de contenedores a granel y los colocaba en bandejas siguiendo la secuencia que necesitaba cada vehículo de la línea. Un modelo, Gemini Robotics ER, supervisaba el flujo de trabajo, mientras que Gemini Robotics 2.5 controlaba las manos y los brazos.
El consejero delegado de Apptronik, Jeff Cardenas, dijo que los modelos mejoraron notablemente tras unas semanas de posentrenamiento y que se trasladaron a la producción de Mercedes con poca pérdida de rendimiento, según informó The Decoder. Ars Technica señaló que el 96 % probablemente aún se queda corto para lo que necesita un fabricante, y citó al director de DeepMind, Kanishka Rao, que dijo que cerrar la brecha restante será «un camino empinado».
Carolina Parada, responsable de robótica de DeepMind, describió el compromiso que supone construir robots de propósito general.
«Podemos ser muy buenos en una aplicación concreta a costa de la generalización. O podemos seguir avanzando en el eje de la generalización y quizá no lleguemos al 99,9 % en todas las aplicaciones.»
Simulación para los datos de entrenamiento
Los datos de entrenamiento para robots son más escasos que los textos que se usan para los chatbots. Según ambos medios, DeepMind utilizó su modelo de lenguaje Gemini 4 Argon como motor de simulación. Argon puede generar miles de ejecuciones simuladas a partir de una escena real captada por cámara, creando un gemelo digital, y la compañía combinó esta capacidad con demostraciones en el mundo real para ayudar al robot a adaptarse a nuevas escenas y objetos.
Ars Technica informó de que el modelo 2.5 sigue funcionando en servidores en la nube, así que las mejoras de precisión y velocidad conllevan latencia.
Benchmark de seguridad
DeepMind afirma que el modelo utiliza un razonamiento en tiempo real para evitar peligros, deteniéndose o esperando cuando algo bloquea su camino. En las evaluaciones de la compañía, la finalización segura de tareas aumentó un 33 % cerca de obstáculos y un 43 % cerca de personas.
DeepMind también publicó ASIMOV-Jailbreak en Hugging Face, un benchmark de código abierto con prompts que disfrazan peticiones inseguras para comprobar si los modelos de robots pueden ser engañados para realizar acciones peligrosas. Los dos medios difieren en su tamaño y en los resultados: Ars Technica cita 1.500 prompts y un nivel de seguridad del 98,8 % con Argon, frente al 73,5 % de Gemini Robotics ER 2. The Decoder cita cientos de prompts y un 99,5 % frente a un 82 %.
Gemini Robotics 2.5 no está disponible de forma general. Se está desplegando entre socios de robótica; Ars Technica menciona a Agile Robots, Apptronik y Boston Dynamics, mientras que The Decoder nombra a Agile, Apptronik y Mercedes-Benz.
